Applications de la PMF aux données AMS et ACSM

La résolution sur PC de l’algorithme PMF s’effectue à l’aide du programme ME-2 développé par Paatero et al. (1999). Pour pouvoir être mis en œuvre par des chercheurs non initiés aux langages de programmation permettant d’utiliser cet algorithme, il est nécessaire de pouvoir disposer d’une interface de pilotage des calculs et de mise en forme des résultats. Cette interface doit également permettre d’explorer de façon conviviale l’ensemble des solutions possibles. La première interface de ce type appliquée aux données AMS (PMF Evaluation Toolkit, PET) a été développée par Ulbrich et al. (2009). Depuis 2013, un nouvel outil de ce type (« Source Finder » , SoFi), développé par le Paul Scherrer Institute (PSI) dans le cadre de la thèse de Francesco Canonaco, est également disponible (Canonaco et al., 2013). Outre le fait que ce dernier propose une interface très conviviale et facile d’accès (Figure 72), il dispose de nombreuses fonctionnalités (de la préparation des matrices à la visualisation des résultats) et permet de tirer partie de toute la puissance et la flexibilité du ME-2. Nous présentons dans la suite de cette section le logiciel SoFi qui a été au centre de nos approches PMF sur cette thèse.

Figure 72: Visualisation du panneau de contrôle du logiciel SoFi

développé par le PSI

Le logiciel SoFi offre ainsi typiquement deux approches de source apportionment : 1) la première (unconstrained runs) repose sur une PMF dont les facteurs sont non contraints, 2) la deuxième (a-value runs) permet de contraindre le profil de un ou plusieurs facteurs de la PMF. En effet, plusieurs études ont montré la nécessité de contraindre certains paramètres des matrices de départ afin d’obtenir des facteurs

164 plus stables et mieux séparés (Lanz et al., 2008 ; Amato et Hopke, 2012 ; Reche et al., 2012 ; Canonaco et al., 2013). L’injection d’information a priori s’effectue grâce à la méthode « a-value » et la plupart du temps appliquée à la matrice F (il est en effet beaucoup plus difficile de connaître a priori la variation temporelle d’un facteur):

!_!,!"#$%&"' = !_!± ! ∙ !_{! [28]}

Où fj,solution est un facteur de la matrice F, et fj le facteur contraint. La valeur « a » symbolise le degré de liberté de la contrainte, et est compris entre 0 et 1. Jusqu’à récemment, ce forçage était effectué directement dans les lignes de code du ME-2, demandant donc des connaissances poussées en programmation informatique. A l’aide de SoFi, il est désormais facile de pouvoir contraindre des facteurs avec un a- value fixe pour toutes les variables (j) du facteur, mais également avec un a-value différent pour certaines variables d’un facteur. Ceci offre, en particulier, la possibilité d’ajouter un degré de liberté supplémentaire sur une ou plusieurs variables si nécessaire.

Par ailleurs, SoFi permet également la manipulation des matrices d’incertitudes. Plus précisément, l’approche « c-value » permet d’ajuster l’amplitude des incertitudes de groupes de variables. Cette approche est particulièrement à propos pour une analyse PMF « combinée », où les données de 2 instruments sont concaténées en une seule matrice. Comme mentionné ci-dessus, l’incertitude d’une variable peut être directement liée à son poids dans la PMF (Kim et Hopke, 2007). L’ajustement des incertitudes permet donc de compenser le fait que les deux instruments n’aient pas le même nombre de variables, et/ou que les incertitudes des 2 instruments ne soient pas construites de manière homogène.

En parallèle du PET, l’utilisation de SoFi est aujourd’hui est pleine expansion au sein de la communauté AMS/ACSM. Néanmoins, aucun de ces deux outils ne permettent aujourd’hui une analyse automatisée de type « bootstrap », alors que cette approche est utilisée par d’autres outils (e.g., logiciel US EPA PMF3 et PMF5, également basés sur le ME-2) et s’avère particulièrement importante pour une étude détaillée de la stabilité des solutions obtenues (Norris et al., 2008).

La Figure 73 illustre les spectres de masse de différents facteurs issus d’une analyse PMF de données de spectromètres de masses (AMS/ACSM) et communément identifiés dans la littérature.

165 Figure 73: spectre de quelques facteurs. n représentent le nombre d’études ayant identifiées ces facteurs avant la publication dont est tirée cette illustration (Ng et al., 2010)

Nous présentons ci-dessous dans le détail les caractéristiques de chacun de ces facteurs PMF:

- HOA (Hydrocarbon-like Organic Aerosol) : ce facteur est dominé par la fragmentation d’enchainements d’hydrocarbures aliphatiques CnH2n-1 et CnH2n+1, comme m/z 41 (C3H3+), 43 (C3H7+), 55 (C4H7+), 57 (C4H9+), 69 (C5H9+) et 71 (C5H11+), caractéristiques des sources de combustion anthropiques de fuel fossile, du trafic automobile en milieu urbain.

- OOA (Oxygenated-like Organic Aerosol): ce facteur est largement dominé par la m/z 44 (CO2+) et 18 (H2O+), caractéristique de la décarboxylation thermique des fonctions carboxyliques (Alfarra et al., 2004). De fait, ce facteur est associé à des molécules très oxydées (i.e. très âgées photochimiquement) et donc généralement considéré comme proxy d’aérosols organiques secondaires.

- SV-OOA (Semi-Volatile Oxygenated-like Organic Aerosol) et LV-OOA (Low-

Volatile Oxygenated-like Organic Aerosol): Ces deux profils font partie d’une

sous famille d’OOA et diffèrent par la fraction massique des m/z 41, 43 et 44. L’identification de ces deux facteurs permet de mettre en évidence le vieillissement photochimique de la matière organique (Jimenez et al., 2009 ; Ng et al., 2010), LV-OOA étant considéré comme un aérosol plus « âgé » et le SV-OOA comme un aérosol fraîchement formé.

- BBOA (Biomass Burning Organic Aerosol): ce profil est caractérisé par une nette contribution des masses 29 (CHO+_{), 60 (C2H4O2}+_{) et 73 (C3H5O2}+_{) qui}

166 sont généralement liées à la fragmentation de sucres comme le levoglucosan (Alfarra et al., 2007), traceur de combustion de biomasse (Simoneit et al., 2002). Ces sucres (monosaccharides) sont produits lors de la pyrolyse de la cellulose. Le BBOA primaire est aussi composé, dans des proportions moindres, d’hydrocarbures aliphatiques (issus des cires non brulées), de la cellulose, lignine et des terpènoïdes. Notons que plusieurs autres facteurs (non présentés dans la figure ci-dessous) ont été rapportés dans la littérature comme le COA (Cooking Organic Aerosol ; Allan et al., 2007) ou le MOA (Marine Organic Aerosol ; Crippa et al., 2013c).